Generator در پایتون

در دنیای برنامه‌نویسی، بهینه‌سازی کد و مدیریت منابع از اهمیت بالایی برخوردار است. یکی از ابزارهای قدرتمند در پایتون که به توسعه‌دهندگان کمک می‌کند تا کدهای کارآمدتر و بهینه‌تری بنویسند، Generator است. Generatorها در پایتون به شما این امکان را می‌دهند که بدون نیاز به ذخیره‌سازی تمام داده‌ها در حافظه، به صورت پویا و گام‌به‌گام مقادیر را تولید کنید. این ویژگی به ویژه در مواجهه با داده‌های بزرگ یا دنباله‌های نامتناهی بسیار مفید است.

در این مقاله، به طور جامع به بررسی مفهوم Generator در پایتون می‌پردازیم. از سینتکس پایه‌ای و کلیدواژه yield گرفته تا کاربردهای عملی و مزایای استفاده از Generatorها، همه‌چیز را پوشش خواهیم داد. همچنین، به تفاوت‌های Generator با توابع معمولی و لیست‌ها اشاره می‌کنیم و مثال‌های متعددی ارائه خواهیم داد تا درک این مفهوم را برای شما آسان‌تر کنیم.

هدف این مقاله این است که شما را با Generatorها آشنا کند و به شما نشان دهد که چگونه می‌توانید از آن‌ها برای بهبود عملکرد کدهای خود استفاده کنید. این مقاله برای برنامه‌نویسان مبتدی تا متوسط که با پایتون آشنایی دارند، مناسب است. اگر به دنبال بهینه‌سازی کدهای خود و یادگیری تکنیک‌های پیشرفته‌تر در پایتون هستید، این مقاله برای شماست.

در ادامه، به بررسی دقیق‌تر Generatorها می‌پردازیم و نحوه استفاده از آن‌ها در پروژه‌های واقعی را بررسی خواهیم کرد. با ما همراه باشید تا دنیای Generatorها در پایتون را کشف کنید!

Generator چیست؟ — درک مفهوم و کاربردهای آن

Generatorها در پایتون نوع خاصی از توابع هستند که به جای بازگشت یک مقدار واحد، یک دنباله از مقادیر را به صورت پویا و گام‌به‌گام تولید می‌کنند. برخلاف توابع معمولی که با دستور return یک مقدار را برمی‌گردانند و اجرای خود را پایان می‌دهند، Generatorها از کلیدواژه yield استفاده می‌کنند تا مقادیر را یکی‌یکی تولید کنند و وضعیت خود را بین فراخوانی‌ها حفظ کنند. این ویژگی باعث می‌شود که Generatorها به‌طور مؤثری با داده‌های بزرگ یا نامتناهی کار کنند.

تفاوت Generator با توابع معمولی

• توابع معمولی: یک تابع معمولی در پایتون با دستور return یک مقدار را برمی‌گرداند و اجرای آن پایان می‌یابد. تمام مقادیر باید از قبل محاسبه و در حافظه ذخیره شوند.
• Generatorها: یک Generator با yield مقادیر را به‌صورت پویا تولید می‌کند و وضعیت خود را بین فراخوانی‌ها حفظ می‌کند. این باعث می‌شود که Generatorها حافظه کمتری مصرف کنند و برای کار با داده‌های بزرگ یا نامتناهی مناسب باشند.

مزایای استفاده از Generator

1. صرفه‌جویی در حافظه: Generatorها مقادیر را به‌صورت پویا تولید می‌کنند و نیازی به ذخیره‌سازی تمام داده‌ها در حافظه ندارند. این ویژگی به ویژه در کار با داده‌های بزرگ بسیار مفید است.
2. بهبود عملکرد: با تولید مقادیر به‌صورت گام‌به‌گام، Generatorها می‌توانند عملکرد برنامه‌ها را بهبود بخشند، به‌ویژه در مواردی که نیازی به دسترسی به تمام داده‌ها به‌صورت همزمان نیست.
3. کار با دنباله‌های نامتناهی: Generatorها می‌توانند برای تولید دنباله‌های نامتناهی (مانند اعداد فیبوناچی) استفاده شوند، زیرا مقادیر را به‌صورت پویا و در زمان نیاز تولید می‌کنند.

مثال ساده از یک Generator

def simple_generator():
    yield 1
    yield 2
    yield 3

# استفاده از Generator
gen = simple_generator()
print(next(gen))  # خروجی: 1
print(next(gen))  # خروجی: 2
print(next(gen))  # خروجی: 3
def simple_generator():
    yield 1
    yield 2
    yield 3

# استفاده از Generator
gen = simple_generator()
print(next(gen))  # خروجی: 1
print(next(gen))  # خروجی: 2
print(next(gen))  # خروجی: 3اجرای کد

در این مثال، تابع simple_generator یک Generator است که مقادیر ۱، ۲ و ۳ را به‌صورت گام‌به‌گام تولید می‌کند. هر بار که next() فراخوانی می‌شود، Generator به حالت قبلی خود بازمی‌گردد و مقدار بعدی را تولید می‌کند.

مقایسه Generator با لیست‌ها

• لیست‌ها: تمام مقادیر در حافظه ذخیره می‌شوند، حتی اگر به همه آن‌ها نیاز نداشته باشید. این می‌تواند باعث مصرف زیاد حافظه شود.
• Generatorها: مقادیر به‌صورت پویا تولید می‌شوند و تنها زمانی که به آن‌ها نیاز دارید، در حافظه قرار می‌گیرند. این باعث صرفه‌جویی در حافظه می‌شود.

در بخش بعدی، به بررسی سینتکس Generator و نحوه استفاده از کلیدواژه yield می‌پردازیم. با ما همراه باشید تا بیشتر با این مفهوم آشنا شوید.

سینتکس Generator — نحوه ایجاد و استفاده از Generator در پایتون

سینتکس Generator در پایتون ساده اما قدرتمند است. برای ایجاد یک Generator، از تابعی استفاده می‌کنیم که به جای return از yield برای تولید مقادیر استفاده می‌کند. این تفاوت کوچک، رفتار تابع را به‌طور کامل تغییر می‌دهد و آن را به یک Generator تبدیل می‌کند.

سینتکس پایه‌ای Generator

def my_generator():
    yield مقدار۱
    yield مقدار۲
    yield مقدار۳
def my_generator():
    yield مقدار۱
    yield مقدار۲
    yield مقدار۳اجرای کد

در این سینتکس:

• تابع my_generator یک Generator است.
• هر بار که yield فراخوانی می‌شود، مقدار مربوطه تولید می‌شود و اجرای تابع متوقف می‌شود تا زمانی که مقدار بعدی درخواست شود.

کلیدواژه yield

کلیدواژه yield قلب یک Generator است. این کلیدواژه به تابع می‌گوید که یک مقدار را تولید کند و وضعیت فعلی تابع (شامل متغیرهای محلی و نقطه اجرا) را حفظ کند. هنگامی که Generator دوباره فراخوانی می‌شود، اجرا از همان نقطه ادامه می‌یابد.

مثال‌های ساده

بیایید با چند مثال ساده، نحوه استفاده از Generatorها را بهتر درک کنیم.

مثال ۱: تولید اعداد از ۱ تا ۵

def number_generator():
    for i in range(1, 6):
        yield i

# استفاده از Generator
gen = number_generator()
for num in gen:
    print(num)
def number_generator():
    for i in range(1, 6):
        yield i

# استفاده از Generator
gen = number_generator()
for num in gen:
    print(num)اجرای کد

خروجی:

1
2
3
4
5

در این مثال، تابع number_generator اعداد ۱ تا ۵ را به‌صورت گام‌به‌گام تولید می‌کند. با استفاده از حلقه for، می‌توانیم تمام مقادیر تولید شده توسط Generator را چاپ کنیم.

مثال ۲: تولید دنباله فیبوناچی

def fibonacci_generator():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b

# استفاده از Generator برای تولید ۱۰ عدد اول فیبوناچی
gen = fibonacci_generator()
for _ in range(10):
    print(next(gen))
def fibonacci_generator():
    a, b = 0, 1
    while True:
        yield a
        a, b = b, a + b

# استفاده از Generator برای تولید ۱۰ عدد اول فیبوناچی
gen = fibonacci_generator()
for _ in range(10):
    print(next(gen))اجرای کد

خروجی:

0
1
1
2
3
5
8
13
21
34

در این مثال، Generator یک دنباله نامتناهی از اعداد فیبوناچی تولید می‌کند. با استفاده از next()، می‌توانیم مقادیر را یکی‌یکی دریافت کنیم.

تفاوت yield و return

• return: یک تابع معمولی با return یک مقدار را برمی‌گرداند و اجرای تابع پایان می‌یابد.
• yield: یک Generator با yield یک مقدار را تولید می‌کند و اجرای تابع را متوقف می‌کند. هنگامی که Generator دوباره فراخوانی می‌شود، اجرا از همان نقطه ادامه می‌یابد.

نکات مهم درباره سینتکس Generator

1. حالت تابع حفظ می‌شود: Generatorها وضعیت تابع (شامل متغیرهای محلی و نقطه اجرا) را بین فراخوانی‌ها حفظ می‌کنند.
2. مقادیر به‌صورت پویا تولید می‌شوند: مقادیر تنها زمانی تولید می‌شوند که به آن‌ها نیاز دارید.
3. قابل استفاده در حلقه‌ها: Generatorها می‌توانند مستقیماً در حلقه‌های for استفاده شوند.

در بخش بعدی، به بررسی کاربردهای عملی Generatorها می‌پردازیم و مثال‌های بیشتری را بررسی خواهیم کرد. با ما همراه باشید!

کاربردهای Generator — چگونه از Generatorها در پروژه‌های واقعی استفاده کنیم؟

Generatorها در پایتون کاربردهای گسترده‌ای دارند و می‌توانند در بسیاری از سناریوهای برنامه‌نویسی مفید واقع شوند. در این بخش، به برخی از رایج‌ترین کاربردهای Generatorها می‌پردازیم و مثال‌های عملی ارائه می‌دهیم تا بهتر درک کنید که چگونه می‌توانید از آن‌ها در پروژه‌های خود استفاده کنید.

۱. پردازش داده‌های بزرگ

یکی از اصلی‌ترین کاربردهای Generatorها، پردازش داده‌های بزرگ است. هنگامی که با حجم زیادی از داده‌ها سروکار دارید، استفاده از لیست‌ها می‌تواند باعث مصرف بیش از حد حافظه شود. Generatorها به شما این امکان را می‌دهند که داده‌ها را به‌صورت گام‌به‌گام و بدون نیاز به ذخیره‌سازی تمام آن‌ها در حافظه، پردازش کنید.

مثال: خواندن فایل‌های بزرگ

def read_large_file(file_path):
    with open(file_path, 'r') as file:
        for line in file:
            yield line.strip()

# استفاده از Generator برای خواندن یک فایل بزرگ
file_path = 'large_file.txt'
for line in read_large_file(file_path):
    print(line)
def read_large_file(file_path):
    with open(file_path, 'r') as file:
        for line in file:
            yield line.strip()

# استفاده از Generator برای خواندن یک فایل بزرگ
file_path = 'large_file.txt'
for line in read_large_file(file_path):
    print(line)اجرای کد

در این مثال، Generator به‌صورت گام‌به‌گام هر خط از فایل را می‌خواند و آن را پردازش می‌کند. این روش باعث می‌شود که حتی اگر فایل بسیار بزرگ باشد، حافظه زیادی مصرف نشود.

۲. ایجاد دنباله‌های نامتناهی

Generatorها برای ایجاد دنباله‌های نامتناهی ایده‌آل هستند. از آن‌جا که مقادیر به‌صورت پویا تولید می‌شوند، می‌توانید دنباله‌هایی مانند اعداد فیبوناچی یا اعداد اول را بدون نگرانی از محدودیت‌های حافظه ایجاد کنید.

مثال: تولید اعداد اول

def prime_generator():
    num = 2
    while True:
        if all(num % i != 0 for i in range(2, int(num ** 0.5) + 1)):
            yield num
        num += 1

# استفاده از Generator برای تولید ۱۰ عدد اول
gen = prime_generator()
for _ in range(10):
    print(next(gen))
def prime_generator():
    num = 2
    while True:
        if all(num % i != 0 for i in range(2, int(num ** 0.5) + 1)):
            yield num
        num += 1

# استفاده از Generator برای تولید ۱۰ عدد اول
gen = prime_generator()
for _ in range(10):
    print(next(gen))اجرای کد

خروجی:

2
3
5
7
11
13
17
19
23
29

در این مثال، Generator اعداد اول را به‌صورت نامتناهی تولید می‌کند. با استفاده از next()، می‌توانید هر تعداد عدد اول که نیاز دارید را دریافت کنید.

۳. پایپ‌لاین‌های داده

Generatorها می‌توانند برای ایجاد پایپ‌لاین‌های داده استفاده شوند. در این روش، هر مرحله از پردازش داده‌ها به یک Generator سپرده می‌شود و داده‌ها به‌صورت گام‌به‌گام از یک Generator به Generator دیگر منتقل می‌شوند.

مثال: پایپ‌لاین پردازش متن

def read_lines(file_path):
    with open(file_path, 'r') as file:
        for line in file:
            yield line.strip()

def filter_lines(lines, keyword):
    for line in lines:
        if keyword in line:
            yield line

def uppercase_lines(lines):
    for line in lines:
        yield line.upper()

# ایجاد پایپ‌لاین
file_path = 'data.txt'
lines = read_lines(file_path)
filtered_lines = filter_lines(lines, 'important')
uppercased_lines = uppercase_lines(filtered_lines)

# استفاده از پایپ‌لاین
for line in uppercased_lines:
    print(line)
def read_lines(file_path):
    with open(file_path, 'r') as file:
        for line in file:
            yield line.strip()

def filter_lines(lines, keyword):
    for line in lines:
        if keyword in line:
            yield line

def uppercase_lines(lines):
    for line in lines:
        yield line.upper()

# ایجاد پایپ‌لاین
file_path = 'data.txt'
lines = read_lines(file_path)
filtered_lines = filter_lines(lines, 'important')
uppercased_lines = uppercase_lines(filtered_lines)

# استفاده از پایپ‌لاین
for line in uppercased_lines:
    print(line)اجرای کد

در این مثال، سه Generator برای خواندن خطوط فایل، فیلتر کردن خطوط حاوی کلمه کلیدی و تبدیل خطوط به حروف بزرگ استفاده شده‌اند. این پایپ‌لاین به‌صورت گام‌به‌گام داده‌ها را پردازش می‌کند.

۴. تولید داده‌های تست

Generatorها می‌توانند برای تولید داده‌های تست مورد استفاده قرار گیرند. به‌ویژه زمانی که نیاز به تولید حجم زیادی از داده‌های شبه‌تصادفی دارید، Generatorها می‌توانند بسیار مفید باشند.

مثال: تولید داده‌های تست تصادفی

import random

def random_data_generator():
    while True:
        yield {
            'id': random.randint(1, 1000),
            'value': random.random()
        }

# استفاده از Generator برای تولید ۵ داده تست
gen = random_data_generator()
for _ in range(5):
    print(next(gen))
import random

def random_data_generator():
    while True:
        yield {
            'id': random.randint(1, 1000),
            'value': random.random()
        }

# استفاده از Generator برای تولید ۵ داده تست
gen = random_data_generator()
for _ in range(5):
    print(next(gen))اجرای کد

خروجی (ممکن است متفاوت باشد):

{'id': 42, 'value': 0.123456}
{'id': 789, 'value': 0.654321}
{'id': 123, 'value': 0.987654}
{'id': 456, 'value': 0.321654}
{'id': 987, 'value': 0.456123}

در این مثال، Generator داده‌های تست تصادفی تولید می‌کند که می‌تواند برای تست نرم‌افزارها استفاده شود.

در بخش بعدی، به بررسی Generator Expression می‌پردازیم و تفاوت آن با List Comprehension را بررسی خواهیم کرد. با ما همراه باشید!

Generator Expression — عبارات Generator در پایتون

عبارات Generator (Generator Expressions) یکی دیگر از ویژگی‌های قدرتمند پایتون هستند که به شما امکان می‌دهند Generatorها را به‌صورت مختصر و در یک خط ایجاد کنید. این عبارات شبیه به List Comprehension هستند، اما به جای تولید لیست، یک Generator تولید می‌کنند. این ویژگی باعث می‌شود که Generator Expressionها برای کار با داده‌های بزرگ یا نامتناهی ایده‌آل باشند.

سینتکس Generator Expression

سینتکس Generator Expression بسیار شبیه به List Comprehension است، با این تفاوت که به جای استفاده از براکت‌های []، از پرانتز () استفاده می‌شود.

gen_expr = (expression for item in iterable if condition)
gen_expr = (expression for item in iterable if condition)اجرای کد

• expression: مقداری که در هر تکرار تولید می‌شود.
• item: متغیری که در هر تکرار از iterable گرفته می‌شود.
• iterable: یک شیء قابل تکرار مانند لیست، مجموعه یا رشته.
• condition: یک شرط اختیاری که فیلتر کردن مقادیر را امکان‌پذیر می‌کند.

مثال‌های ساده

مثال ۱: تولید مربع اعداد

# List Comprehension
squares_list = [x ** 2 for x in range(10)]

# Generator Expression
squares_gen = (x ** 2 for x in range(10))

print(squares_list)  # خروجی: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
print(squares_gen)   # خروجی:  at 0x7f8b1c2b3c80>
# List Comprehension
squares_list = [x ** 2 for x in range(10)]

# Generator Expression
squares_gen = (x ** 2 for x in range(10))

print(squares_list)  # خروجی: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
print(squares_gen)   # خروجی: <generator object <genexpr> at 0x7f8b1c2b3c80>اجرای کد

در این مثال:

• squares_list یک لیست از مربع اعداد ۰ تا ۹ است.
• squares_gen یک Generator است که مربع اعداد را به‌صورت پویا تولید می‌کند.

برای دسترسی به مقادیر Generator، می‌توانید از حلقه for یا تابع next() استفاده کنید:

for square in squares_gen:
    print(square)
for square in squares_gen:
    print(square)اجرای کد

مثال ۲: فیلتر کردن اعداد زوج

# List Comprehension
even_list = [x for x in range(20) if x % 2 == 0]

# Generator Expression
even_gen = (x for x in range(20) if x % 2 == 0)

print(even_list)  # خروجی: [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
print(even_gen)   # خروجی:  at 0x7f8b1c2b3d60>
# List Comprehension
even_list = [x for x in range(20) if x % 2 == 0]

# Generator Expression
even_gen = (x for x in range(20) if x % 2 == 0)

print(even_list)  # خروجی: [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
print(even_gen)   # خروجی: <generator object <genexpr> at 0x7f8b1c2b3d60>اجرای کد

در این مثال، Generator Expression اعداد زوج بین ۰ تا ۱۹ را تولید می‌کند.

تفاوت Generator Expression با List Comprehension

• حافظه: List Comprehension تمام مقادیر را در حافظه ذخیره می‌کند، در حالی که Generator Expression مقادیر را به‌صورت پویا و در زمان نیاز تولید می‌کند. این باعث می‌شود Generator Expressionها برای کار با داده‌های بزرگ مناسب‌تر باشند.
• سرعت: List Comprehension سریع‌تر است، زیرا تمام مقادیر را یک‌باره محاسبه می‌کند. Generator Expressionها به‌صورت گام‌به‌گام کار می‌کنند و ممکن است برای برخی کاربردها کندتر باشند.
• استفاده: List Comprehension برای زمانی مناسب است که به تمام مقادیر به‌صورت همزمان نیاز دارید. Generator Expressionها برای زمانی مناسب هستند که می‌خواهید مقادیر را به‌صورت پویا و در زمان نیاز تولید کنید.

مثال عملی: پردازش داده‌های بزرگ

فرض کنید یک فایل بزرگ دارید و می‌خواهید خطوطی را که حاوی یک کلمه کلیدی خاص هستند، پردازش کنید. با استفاده از Generator Expression، می‌توانید این کار را به‌صورت کارآمد انجام دهید.

file_path = 'large_file.txt'
keyword = 'important'

# استفاده از Generator Expression برای فیلتر کردن خطوط
filtered_lines = (line.strip() for line in open(file_path) if keyword in line)

# پردازش خطوط فیلتر شده
for line in filtered_lines:
    print(line)
file_path = 'large_file.txt'
keyword = 'important'

# استفاده از Generator Expression برای فیلتر کردن خطوط
filtered_lines = (line.strip() for line in open(file_path) if keyword in line)

# پردازش خطوط فیلتر شده
for line in filtered_lines:
    print(line)اجرای کد

در این مثال، Generator Expression خطوط فایل را به‌صورت گام‌به‌گام می‌خواند و تنها خطوطی را که حاوی کلمه کلیدی هستند، تولید می‌کند. این روش باعث صرفه‌جویی در حافظه می‌شود.

نکات مهم درباره Generator Expression

1. مصرف حافظه کم: Generator Expressionها مقادیر را به‌صورت پویا تولید می‌کنند و حافظه کمتری مصرف می‌کنند.
2. قابل استفاده در حلقه‌ها: می‌توانید از Generator Expressionها مستقیماً در حلقه‌های for استفاده کنید.
3. یک‌بار مصرف: Generator Expressionها یک‌بار مصرف هستند. پس از استفاده، نمی‌توانید دوباره از آن‌ها استفاده کنید.

در بخش بعدی، به بررسی Generator و حافظه می‌پردازیم و نحوه صرفه‌جویی در حافظه با استفاده از Generatorها را بررسی خواهیم کرد. با ما همراه باشید!

جمع‌بندی: Generator در پایتون — ابزاری قدرتمند برای بهینه‌سازی کد

در این مقاله، به طور جامع به بررسی Generator در پایتون پرداختیم. Generatorها یکی از ابزارهای قدرتمند پایتون هستند که به شما امکان می‌دهند داده‌ها را به‌صورت پویا و گام‌به‌گام تولید کنید. این ویژگی به ویژه در کار با داده‌های بزرگ یا نامتناهی بسیار مفید است، زیرا باعث صرفه‌جویی در حافظه و بهبود عملکرد برنامه‌ها می‌شود.

نکات کلیدی مقاله:

1. Generator چیست؟: Generatorها توابعی هستند که از yield برای تولید مقادیر به‌صورت پویا استفاده می‌کنند. آن‌ها وضعیت تابع را بین فراخوانی‌ها حفظ می‌کنند.
2. سینتکس Generator: با استفاده از yield می‌توانید یک Generator ایجاد کنید. Generatorها می‌توانند در حلقه‌ها و با تابع next() استفاده شوند.
3. کاربردهای Generator: Generatorها در پردازش داده‌های بزرگ، ایجاد دنباله‌های نامتناهی، پایپ‌لاین‌های داده و تولید داده‌های تست بسیار مفید هستند.
4. Generator Expression: عبارات Generator به شما امکان می‌دهند Generatorها را به‌صورت مختصر و در یک خط ایجاد کنید. آن‌ها مشابه List Comprehension هستند اما مقادیر را به‌صورت پویا تولید می‌کنند.
5. صرفه‌جویی در حافظه: Generatorها مقادیر را تنها در زمان نیاز تولید می‌کنند و باعث کاهش مصرف حافظه می‌شوند.
6. بهبود عملکرد: با تولید مقادیر به‌صورت گام‌به‌گام، Generatorها می‌توانند عملکرد برنامه‌ها را بهبود بخشند.

چرا از Generatorها استفاده کنیم؟

• مدیریت حافظه: Generatorها برای کار با داده‌های بزرگ یا نامتناهی ایده‌آل هستند، زیرا مقادیر را تنها در زمان نیاز تولید می‌کنند.
• انعطاف‌پذیری: Generatorها می‌توانند در سناریوهای مختلفی مانند پردازش فایل‌های بزرگ، ایجاد دنباله‌های نامتناهی و پایپ‌لاین‌های داده استفاده شوند.
• سادگی و خوانایی: با استفاده از Generatorها، می‌توانید کدهای خود را ساده‌تر و خوانا‌تر کنید.

جمع‌بندی نهایی

Generatorها یکی از ویژگی‌های کلیدی پایتون هستند که به شما کمک می‌کنند کدهای کارآمدتر و بهینه‌تری بنویسید. با استفاده از Generatorها، می‌توانید حافظه کمتری مصرف کنید، عملکرد برنامه‌های خود را بهبود بخشید و با داده‌های بزرگ یا نامتناهی به‌صورت مؤثر کار کنید. اگر به دنبال بهینه‌سازی کدهای خود و یادگیری تکنیک‌های پیشرفته‌تر در پایتون هستید، Generatorها ابزاری هستند که باید حتماً آن‌ها را در جعبه ابزار خود داشته باشید.

امیدواریم این مقاله به شما کمک کرده باشد تا با مفهوم Generator در پایتون آشنا شوید و بتوانید از آن‌ها در پروژه‌های خود استفاده کنید. اگر سوالی دارید یا نیاز به توضیحات بیشتری دارید، در بخش نظرات با ما در میان بگذارید.